К содержимому
Дайджест

Jev в AI-кодинге: защита, тесты и маршрутизация

Cole Medin·30 сентября 2026·17:39
текст даёт основное узнать, что существует промо
Открыть на YouTube
Обзор четырех практичных применений модели Jev в AI-кодинге — для разработчиков, которые хотят ускорить и удешевить рабочие процессы на базе LLM-агентов.

Что в ролике

Jev — модель принятия решений: вместо генерации текста она выдаёт вероятности по списку вариантов и работает в 20–200 раз быстрее и в 40–1000 раз дешевле LLM. Автор предлагает четыре конкретных применения в AI-кодинге. Первое — защитный pre-tool use hook: Jev анализирует каждое действие агента на чтение секретов, уничтожение данных, утечку через prompt injection и уход от задачи, блокируя опасные вызовы; по замерам это 0,25 секунды на проверку и почти без ложных срабатываний, тогда как LLM на Haiku тратит больше секунды и десятую долю цента за анализ. Второе — геймплей-тестирование: Jev принимает решения в реальном времени на 30–60 кадрах в секунду, играет как пользователь и находит баги, которые LLM не видит, а LLM лишь строит harness и чинит найденное. Третье — браузерное тестирование: Jev кликает по страницам и выбирает кнопки, а LLM генерирует свободный текст и разбирает результаты; автор использует Playwright MCP, Vercel Agent Browser CLI и свой Dino Chat. Четвёртое — классификация задач: Jev определяет тип GitHub-issue (баг или фича) и нужный уровень модели, после чего Archon-воркфлоу направляет задачу дальше; в тестах автор согласился с классификацией в 12 из 12 случаев, а при ревью pull request — в 15 из 16. В конце он подчёркивает, что Jev всегда используется в связке с LLM: та готовит состояние и действует по решению, а Jev ускоряет именно момент выбора.

Практика

Что получишь
Четыре конкретных сценария использования Jev в AI-кодинге с ориентирами по скорости и цене, чтобы заменить LLM на этапе принятия решений и сэкономить токены.
Первый шаг
Начать с защитного pre-tool use hook: подключить Jev через OpenRouter и заменить в хуке регулярные выражения или LLM на JevGuard.
Цифры
  • —20–200 раз — во столько Jev быстрее LLM при принятии решений
  • —40–1000 раз — во столько Jev дешевле LLM по словам автора
  • —0,25 секунды — время анализа одного действия агентом в защитном хуке
  • —12 из 12 и 15 из 16 — столько раз автор согласился с классификацией GitHub-issue и PR-ревью соответственно
Честно
Автор продвигает своё платное сообщество Dynamis, где в пятницу проведёт воркшоп, и свой открытый проект Archon; подробных инструкций в видео нет — показаны только графики, YAML и Python-скрипт на экране без построчной разборки. Все цифры по срабатываниям и надёжности — личные замеры автора на ограниченной выборке.
Если слова незнакомы — 6 терминов

Связки из этого ролика

4 шт.

Компоненты

7 шт.

Формат: подборка · для практикующих · уверенность разметки 0.85 · источник